使用深度学习的对象检测提供了一种快速且准确的方法来预测图像中的对象的位置。深度学习是一种强大的机器学习技术,其中物体检测器自动学习检测任务所需的图像特征。使用深度学习的物体检测的几种技术可用,例如R-CNN更快,只需看一次(YOLO)V2,YOLO V3和单次拍摄检测(SSD)。
对象检测的应用包括:
图像分类
场景了解
自驾驶车辆
监视
使用标签应用程序在视频,图像序列,图像集合或自定义数据源中以交互式标记地面真实数据。您可以使用矩形标签标记对象检测地理真实,该标签定义图像中对象的位置和大小。
使用数据增强提供了一种方法来使用有限的数据集进行培训。次要的变化,例如翻译,裁剪或转换图像,提供您可以用来训练强大的探测器的新,不同和唯一的图像。数据存储是读取和增强数据集合的便捷方式。使用imageageAtastore.
和boxlabeldatastore.
创建图像的数据存储和标记的边界框数据。
增强对象检测的边界框(深度学习工具箱)
深度学习的预处理图像(深度学习工具箱)
特定于域的深度学习应用程序的预处理数据(深度学习工具箱)
有关使用数据存储增强培训数据的更多信息,请参阅深入学习的数据购物(深度学习工具箱), 和使用内置数据存储执行额外的图像处理操作(深度学习工具箱)。
每个对象检测器包含唯一的网络架构。例如,更快的R-CNN检测器使用两级网络进行检测,而YOLO V2检测器使用单级。使用功能Fasterrcnlayers.
或者yolov2镶嵌
创建网络。您还可以使用图层设计网络层深网络设计师(深度学习工具箱)。
使用TRATHFASTERRCNNOOBJECTDETECTOR.
那Trainyolov2ObjectDetector.
那trainssdobjectdetector
用于培训对象探测器的功能。使用评估法律
和评估要求
函数来评估培训结果。
使用培训的检测器检测图像中的对象。例如,下面显示的部分代码使用培训探测器
在图像上一世
。使用探测
对象功能fasterrcnnobjectdetector.
那Yolov2ObjectDetector.
那yolov3objectdetector
, 或者ssdobjectdetector
对象以返回绑定框,检测分数和分配给边界框的分类标签。
我= imread(Input_Image.)[虚拟机,分数,标签] =检测(探测器,i)